The internet of things (IoT) enabled a common operating picture (COP) across the various applications of modern day living. The COP is achieved through the advancements seen in wireless sensor network devices that were able to communicate through the network thereby exchanging information and performing various analysis. In IoT, the exchange of information and data authentication is only done through the central server there by leading to the security and privacy concerns. Chances of device spoofing, false authentication, less reliability in data sharing could happen. To address such security and privacy concerns, a central server concept is eliminated and blockchain (BC) technology is introduced as a part of IoT. This paper elaborates the possible security and privacy issues considering the component interaction in IoT and studies how the distributed ledger based blockchain (DL-BC) technology contribute to it. Applications of BC with respect to focused sectors and category were clearly studied here. Various challenges specific to IoT and IoT with BC were also discussed to understand blockchain technology contribution.

Technology and the rapid growth in the area of brain imaging technologies have forever made for a pivotal role in analyzing and focusing the new views of brain anatomy and functions. The mechanism of image processing has widespread usage in the area of medical science for improving the early detection and treatment phases. Deep neural networks (DNN), till date, have demonstrated wonderful performance in classification and segmentation task. Carrying this idea into consideration, in this paper, a technique for image compression using a deep wavelet autoencoder (DWA), which blends the basic feature reduction property of autoencoder along with the image decomposition property of wavelet transform is proposed. The combination of both has a tremendous effect on sinking the size of the feature set for enduring further classification task by using DNN. A brain image dataset was taken and the proposed DWA-DNN image classifier was considered. The performance criterion for the DWA-DNN classifier was compared with other existing classifiers such as autoencoder-DNN or DNN, and it was noted that the proposed method outshines the existing methods.

Brain tumors are most common in children and the elderly. It is a serious form of cancer caused by uncontrollable brain cell growth inside the skull. Tumor cells are notoriously difficult to classify due to their heterogeneity. Convolutional neural networks (CNNs) are the most widely used machine learning algorithm for visual learning and brain tumor recognition. This study proposed a CNN-based dense EfficientNet using min-max normalization to classify 3260 T1-weighted contrast-enhanced brain magnetic resonance images into four categories (glioma, meningioma, pituitary, and no tumor). The developed network is a variant of EfficientNet with dense and drop-out layers added. Similarly, the authors combined data augmentation with min-max normalization to increase the contrast of tumor cells. The benefit of the dense CNN model is that it can accurately categorize a limited database of pictures. As a result, the proposed approach provides exceptional overall performance. The experimental results indicate that the proposed model was 99.97% accurate during training and 98.78% accurate during testing. With high accuracy and a favorable F1 score, the newly designed EfficientNet CNN architecture can be a useful decision-making tool in the study of brain tumor diagnostic tests.

Deep learning has surged in popularity in recent years, notably in the domains of medical image processing, medical image analysis, and bioinformatics. In this study, we offer a completely autonomous brain tumour segmentation approach based on deep neural networks (DNNs). We describe a unique CNN architecture which varies from those usually used in computer vision. The classification of tumour cells is very difficult due to their heterogeneous nature. From a visual learning and brain tumour recognition point of view, a convolutional neural network (CNN) is the most extensively used machine learning algorithm. This paper presents a CNN model along with parametric optimization approaches for analysing brain tumour magnetic resonance images. The accuracy percentage in the simulation of the above-mentioned model is exactly 100% throughout the nine runs, i.e., Taguchi’s L9 design of experiment. This comparative analysis of all three algorithms will pique the interest of readers who are interested in applying these techniques to a variety of technical and medical challenges. In this work, the authors have tuned the parameters of the convolutional neural network approach, which is applied to the dataset of Brain MRIs to detect any portion of a tumour, through new advanced optimization techniques, i.e., SFOA, FBIA and MGA.

Abstract Glioblastoma (GBM) is a stage 4 malignant tumor in which a large portion of tumor cells are reproducing and dividing at any moment. These tumors are life threatening and may result in partial or complete mental and physical disability. In this study, we have proposed a classification model using hybrid deep belief networks (DBN) to classify magnetic resonance imaging (MRI) for GBM tumor. DBN is composed of stacked restricted Boltzmann machines (RBM). DBN often requires a large number of hidden layers that consists of large number of neurons to learn the best features from the raw image data. Hence, computational and space complexity is high and requires a lot of training time. The proposed approach combines DTW with DBN to improve the efficiency of existing DBN model. The results are validated using several statistical parameters. Statistical validation verifies that the combination of DTW and DBN outperformed the other classifiers in terms of training time, space complexity and classification accuracy.

Botanical plants suffer from several types of diseases that must be identified early to improve the production of fruits and vegetables. Mango fruit is one of the most popular and desirable fruits worldwide due to its taste and richness in vitamins. However, plant diseases also affect these plants’ production and quality. This study proposes a convolutional neural network (CNN)-based metaheuristic approach for disease diagnosis and detection. The proposed approach involves preprocessing, image segmentation, feature extraction, and disease classification. First, the image of mango leaves is enhanced using histogram equalization and contrast enhancement. Then, a geometric mean-based neutrosophic with a fuzzy c-means method is used for segmentation. Next, the essential features are retrieved from the segmented images, including the Upgraded Local Binary Pattern (ULBP), color, and pixel features. Finally, these features are given into the disease detection phase, which is modeled using a Convolutional Neural Network (CNN) (deep learning model). Furthermore, to enhance the classification accuracy of CNN, the weights are fine-tuned using a new hybrid optimization model referred to as Cat Swarm Updated Black Widow Model (CSUBW). The new hybrid optimization model is developed by hybridizing the standard Cat Swarm Optimization Algorithm (CSO) and Black Widow Optimization Algorithm (BWO). Finally, a performance evaluation is undergone to validate the efficiency of the projected model.

Smart healthcare has changed the way how the patient interacts with the specialists for treatment. However, security and support for various diseases are still the concern for such smart automated systems. One of the critical diseases namely Diabetic Retinopathy (DR), is a major concern for the person with prolonged diabetes and may lead to complete blindness irrespective of age groups. Moreover, in recent years blockchain has gained popularity in providing secure communication between sender and receiver. Hence, this work focus on designing a blockchain-based smart healthcare system for the early detection of diabetic retinopathy. However, early detection of DR impose complexities and requires expert diagnosis, which is not available everywhere. Hence, the proposed smart healthcare model contains a Computer-Aided Diagnosis (CAD) assistance for early detection of symptoms of the disease. The CAD model may assist the ophthalmologists in the early detection of DR, which requires intensive research in developing an efficient and accurate model that can operate without human interaction. Convolutional Neural Network (CNN) is one of the learning models in AI that has shown its potential in computer vision applications. However, the performance of CNN depends on several factors like the pooling approach, activation function, learning rate and CNN architecture. This study provides an empirical analysis of these factors to design the best model for early detection of DR. The best model can be used to develop IoT based smart devices to detect DR in diabetic patients. The study also explains the importance of IoT and blockchain-based technology for the development of smart healthcare systems. The values of the parameters and type of hyperparameters chosen from the study is used in a proposed 2-branch CNN model, and the model is validated using the Kaggle fundus image set. Analysis of various parameters and using their best values gives an outstanding performance in the proposed 2-branch CNN model.

Crude oil market analysis has become one of the emerging financial markets and the volatility effect of the market is paramount and has been considered as an issue of utmost importance. This study examines the dynamics of this volatile market of crude oil by employing a hybrid approach based on an extreme learning machine (ELM) as a regressor and the improved grey wolf optimizer (IGWO) for prophesying the crude oil rate for West Texas Intermediate (WTI) and Brent crude oil datasets. The datasets are augmented using technical indicators (TIs) and statistical measures (SMs) to obtain better insight into the forecasting ability of this proposed model. The differential evolution (DE) strategy has been used for evolution and the survival of the fittest (SOF) principle has been used for elimination while implementing the GWO to achieve better convergence rate and accuracy. Whereas, the algorithmic simplicity, use of less parameters, and easy implementation of DE efficiently decide the evolutionary patterns of wolves in GWO and the SOF principle updates the wolf pack based on the fitness value of each wolf, thereby ensuring the algorithm does not fall into local optimum. Furthermore, the comparison and analysis of the proposed model with other models, such as ELM–DE, ELM–Particle Swarm Optimization (ELM–PSO), and ELM–GWO shows that the predictability evidence obtained substantially achieves better performance for ELM–IGWO with respect to faster error convergence rate and mean square error (MSE) during training and testing phases. The sensitivity study of the proposed ELM–IGWO provides better results in terms of the performance measures, such as Theil’s U, mean absolute error (MAE), average relative variance (ARV), mean average percentage error (MAPE), and minimal computational time.

An attempt has been made in the agricultural field to predict the effect of climatic variability based on rice crop production and climatic features of three coastal regions of Odisha, a state of India. The novelty of this work is Borda Count based fusion strategy on the ranked features obtained from various ranking methodologies. The proposed prediction model works in three phases; in the first phase, three feature ranking approaches such as; Random Forest, Support Vector Regression-Recursive Feature Elimination (SVR-RFE) and F-Test are applied individually on the two datasets of three coastal areas and features are ranked as per their algorithm. In the second phase; Borda Count as a fusion method has been implemented on those ranked features from the above phase to obtain the top five best features. The multi quadratic activation function based Extreme Learning Machine (ELM) has been used to predict the rice crop yield using those ranked features obtained from fusion-based raking strategy and the number of varying features are obtained which gives prediction accuracy above 99% in the third phase of experimentation. Finally, the statistical paired T-test has been used to evaluate and validate the significance of the proposed fusion based ranking prediction model. This prediction model not only predicts the rice yield per hector but also able to obtain the significant or most affecting features during Rabi and Kharif seasons. From the observations made during experimentation, it has been found that; relative humidity is playing a vital role along with the minimum and maximum temperature for rice crop yield during Rabi and Kharif seasons.

This paper proposed a short-term two-stage hybrid algorithmic framework for trade and trend analysis of the Forex market by augmenting the currency pair datasets with transformed attributes using a few technical indicators and statistical measures. In the first phase, an optimized deep predictive coding network (DPCN) based on a meta-heuristic reptile search algorithm (RSA) inspired by the intelligent hunting activities of the crocodiles is exploited to develop this RSA-DPCN predictive model. The proposed model has been compared with optimized versions of extreme learning machine (ELM) and functional link artificial neural network (FLANN) with genetic algorithm (GA), particle swarm optimization (PSO), and differential evolution (DE) along with the RSA optimizers. The performance of this model has been evaluated and validated through several statistical tests. In the second phase, the up and down trends are analyzed using the Higher Highs Higher Lows, and Lower Highs Lower Lows (HHs/HLs and LHs/LLs) trend analysis tool. Further, the observed trends are compared with the actual trends observed on the exchange price of real datasets. This study shows that the proposed RSA-DPCN model accurately predicts the exchange price. At the same time, it provides a well-structured platform to discern the directions of the market trends and thereby guides in finding the entry and exit points of the Forex market.